Modeling echolocation as an active pursuit of information via infotaxis

칠흑 같이 어두운 동굴 속에서 박쥐 한 마리가 나방 한 마리를 찾기 위해 날아다니고 있다고 상상해 보세요. 박쥐는 단순히 앞으로 무작정 날아가며 나방과 부딪히기를 바라는 것이 아닙니다. 대신 소리를 이용해 고도의 심리전이 담긴 '월리를 찾아라' 게임을 하고 있습니다. 박쥐는 외침(핑)을 내보내고, 그 메아리를 들은 뒤, 방금 들은 정보를 바탕으로 정확히 어디로 날아갈지, 그리고 다음에 어떤 종류의 외침을 보낼지를 결정합니다.

이 논문은 컴퓨터가 그 박쥐처럼 생각하도록 가르치는 법에 관한 것이지만, 의사결정을 내리는 방식에 있어 특별한 비틀기를 가미했습니다.

기존 방식 vs 새로운 방식
에코로케이션(반향 정위)을 다루는 대부분의 컴퓨터 모델은 가장 명확한 단서만을 쫓는 탐정처럼 행동합니다. 만약 컴퓨터가 나방이 구석에 있을 확률이 90%라고 판단하면, 그 구석을 향해 자신의 '귀'(또는 소나 빔)를 곧장 겨누고 기다립니다. 이를 '최대 사후 확률(Maximum A Posteriori)' 접근법이라고 합니다. 이 방식은 단서가 완벽할 때는 효율적이지만, 바람이 불거나 다른 박쥐들이 지저귀는 등 노이즈나 혼란이 많을 경우, 이 탐정은 길을 잃거나 쉽게 포기해 버립니다.

이 논문의 저자들은 **인포택시스(Infotaxis)**라고 불리는 다른 전략을 시도했습니다. 이것을 가장 '가능성 높은' 지점을 찾는 탐정이 아니라, 가장 '흥미로운' 지점을 찾는 호기심 많은 탐험가로 생각해보세요.

'냄새 맡기'의 비유
연구진은 나방이나 개가 냄새를 찾는 방식에서 이 아이디어를 빌려왔습니다. 개가 냄새를 추적할 때, 단순히 냄새가 가장 강한 곳을 향해 직선으로 달려가지는 않습니다. 때로는 가장 강한 냄새가 막다른 길이거나 혼란스러운 공기 층일 수도 있기 때문입니다. 대신, 개는 옆으로 한 걸음 움직여서 냄새가 더 강해지는지 혹은 약해지는지를 확인하며 정보를 더 얻으려 할 것입니다. 즉, 당장 목표물을 향해 나아가지 않더라도, 혼란을 해소하기 위해 더 많은 '정보'를 수집하기 위해 움직이는 것입니다.

이 논문은 이러한 '냄새 맡기'의 논리를 소리(에코로케이션)에 적용했을 때 다음과 같은 결과가 나타남을 보여줍니다:

1. 호기심과 탐욕의 균형: 박쥐 에이전트는 가장 가능성 높은 목표를 쫓는 것(착취)과 목표가 실제로 어디에 있는지 더 확실히 파악하기 위해 주변을 배회하는 것(탐색) 사이의 균형을 맞출 줄 압니다.
2. 노이즈에 더 강함: 에이전트가 단순히 최적의 지점을 추측하는 것이 아니라 불확실성을 줄이기 위해 능동적으로 움직이기 때문에, 환경이 어수선하거나 몇 번의 메아리를 놓치더라도 훨씬 더 잘 견뎌냅니다.
3. 에너지 절약: 연구 결과, 이 '정보 사냥꾼' 방식은 전통적인 '최적의 지점 추측' 방식보다 더 적은 수의 소리 핑(ping)을 사용하여 목표를 찾아냈습니다.

핵심 요약
이 논문은 동물(그리고 미래의 로봇)이 어떻게 소나를 사용하는지 진정으로 이해하려면, 그들을 단순히 소리에 반응하는 기계로 모델링해서는 안 된다고 주장합니다. 우리는 그들을 '정보의 능동적인 추구자'로 모델링해야 합니다. 탐색을 단순히 목적지를 향한 경주가 아니라, 혼란을 해소하기 위한 단서 수집 게임으로 다룸으로써, 시스템은 특히 세상이 시끄럽고 불확실할 때 더욱 똑똑하고, 신뢰할 수 있으며, 효율적이 됩니다.